第4章参数估计-正态分布的Bayes决策-公开课件（讲义）.pptVIP

* * 下面我们以多维正态分布为例进行说明 （1）假设Σ是已知的，未知的只是均值μ，则： 这说明，样本总体的未知均值的最大似然估计就是训练样本的平均值 它的几何解释就是：若把N个样本看成是一群质点，则样本均值便是它们的质心 （2）一维正态的情况，设 则： （2）一维正态的情况，设 则： 可见，正态分布中的协方差阵Σ的最大似然估计量等于N个矩阵的算术平均值 （3）对于一般的多维正态密度的情况，计算方法完全是类似的。最后的结果是： 可以证明上式的均值是无偏估计，但协方差阵并不是无偏估计，无偏估计是： 解 似然函数 例 这一估计量与矩估计量是相同的 解 例 这一估计量与矩估计量是相同的 解 X 的似然函数为 例 它们与相应的矩估计量相同 解 例 分析 * * * * * * * * * * * * * * * * ** * * * * * * * * * * * 第四章 概率密度函数的估计 参数估计基本概念 最大似然估计 矩估计 参数估计 概率密度函数估计 在前面的讨论中，我们一直假设类条件概率密度函数是已知的，然后去设计贝叶斯分类器 但在很多情况下，类条件概率密度函数往往必须首先利用统计推断理论中的估计方法从可用的样本集数据中估计出来。从样本集推断总体概率分布主要包括两种方法： 1.参数估计：如果已知概率密度函数的类型（